海洋平台多能互补系统电源容量优化

贾 涛，王兴月



海洋平台多能互补系统电源容量优化

贾 涛，王兴月

（太重（天津）滨海重型机械有限公司技术中心，天津300457）

将风、光等新能源应用于海洋平台成为研究的热点，但其波动性对平台电力系统带来一定的不安全因素，所以实际应用中，往往采用风光柴储的多能系统。研究中以海洋平台为研究对象，对多能系统的电源容量进行优化，保证系统的经济性和稳定性，实现新能源最大化利用。研究中为了提高整个海洋平台电力系统的经济性，需根据海洋平台附近的资源条件对系统的电源容量进行优化设计，选取最优的电源容量组合。本文建立了独立风/光/柴/储海洋平台电力系统中各个电源的多目标优化模型，利用多目标粒子群(multi-objective particle swarm optimization，MOPSO)求解系统中各个电源容量配置的Pareto最优解集，并基于满意度评价的模糊理论设计推荐的折衷解。

容量优化 风光互补 多目标粒子群 模糊理论

0 引言

针对传统能源日益枯竭问题，本文充分利用海洋平台在海洋环境下具有较充足的风能及光能优势，以及太阳能与风能之间的天然互补性，将绿色清洁能源的理念引入到海洋平台上，构建海洋平台风/光/柴/储/多能互补发电系统[1]。

所设计的海洋平台风/光/柴/储多能互补发电系统的电源包含可调度电源和不可调度电源，不可调度电源为风光互补发电系统的风电机组和太阳能光伏电池，优化过程中为了最大限度实现节能减排，对于海洋平台的日常生活用电、小型设备用电及非动力装置的供电，将优先选用风光互补发电系统供电[2]；可调度电源作为不可调度电源的补充和备用，包括柴油发电机及储能装置，系统图如图1所示。

图1 海洋平台风/光/柴/储系统图

其中，光伏电池阵列、风电机组、柴油发电机构成了系统发电部分，储能装置用来解决融入不可调度电源后系统中的电力供需矛盾，保证系统的稳定运行。由于海洋平台电网脱离大电网的支撑，仅依靠海洋平台内部电源对负载供电，因此，科学、合理地优化配置各个电源容量对于维持系统功率的供需平衡关系，以及整个系统的供电可靠性，具有重要的科学意义[3]。

本文研究了同时包含可调度电源及不可调度电源的海洋平台电网电源容量优化配置方法，以小型风电机组、光伏电池阵列、储能装置以及柴油机的安装容量为优化变量，以经济成本和污染物排放量为目标函数，利用多目标粒子群算法（MOPSO）求解该优化问题，得到关于经济成本和污染物排放量的Pareto最优解。此外，本文使用基于决策者满意度评价的模糊理论，提供一种由Pareto多目标解集中获取一个较好的折衷解的方法，供决策者参考。

1 系统主要部件的数学建模

1.1 风电功率的数学模型

风速的随机性使风电场的输出功率可看作随机变量。风速概率密度函数的双参数Weibull分布数学模型为：

式中：为形状参数；为尺度参数；风机高度为处的风速，本文使用近似的分段线性函数来描述风电机组的输出功率[4]：

(2)

1.2光伏阵列模型

本文采用Beta分布对光照进行处理，其概率密度函数如下[5]：

(4)

1.3储能单元的数学模型

基于LiFePO4电池在技术上的成熟性以及低成本的经济特性，在本文的研究中，采用LiFePO4电池作为储能装置。

若时刻的系统总发电功率大于系统总负荷需求，则锂离子电池充电，时刻储能系统的电量公式为

若时刻的系统总负荷需求大于系统总发电功率，锂离子电池放电，时刻储能系统的电量公式为:

(6)

2.4柴油发电机

为简化处理，利用燃料曲线描述柴油发电机发电功率和燃料使用量的对应关系[6]。

2 优化配置模型

2.1目标函数

本文建立了含有风电机组、光伏阵列、锂电池储能装置的海洋平台独立供电系统容量优化模型[7]，目标函数如下：

2.1.1经济成本函数

经济成本函数中主要包括设备的投资成本、运行维护费用和锂电池储能装置的重置费用，表示如下：

(9)

(11)

其中:

2.1.2污染物排放量

柴油发电机以柴油为主要燃料，其污染物包括CO,CO2,燃料中未燃烧尽的碳氢化合物、硫化物和一氧化氮，由表示:

2.2优化算法简介

2.2.1基于Pareto的MOPSO算法简介

基于Pareto的MOPSO的粒子速度更新公式及位置更新公式如式(13)及(14)所示，与标准粒子群算法不同，这里表示第个粒子第维变量的局部最优个体；表示第个粒子第维变量的全局最优个体；MOPSO中，局部最优个体与全局最优个体分别来自非支配性局部最优解集和非支配性全局最优解集中的个体，且二者的欧式距离最小[8]。

(14)

2.2.2基于满意度评价的模糊理论

在多目标优化问题中，从Pareto最优解集中求取唯一的折衷解已成为多目标优化问题的核心内容。Pareto多目标优化算法得到的是非劣解解集，对于决策者来说，还需要自己根据经验选择一组推荐折衷解用于实际工程问题，所以本文提供一种由Pareto多目标解集中获取一个较好的折衷解的方法，其主要步骤如下：

首先，按下述公式定义第个解，第个目标函数的隶属函数：

，(16)

3 仿真结果分析

本文研究对象是独立海洋平台微网测试系统，研究中选取每个季节中典型的20天作为仿真时段，仿真步长为1小时，即仿真优化的总时段为1920，系统的峰值负荷为1600 kW，MOPSO优化过程中的参数选择为：粒子规模，最大迭代次数，学习因子1=2=2.05。

图2为通过MOPSO优化算法得到的关于经济成本和污染物排放量的多目标Pareto最优解。从图中可以看出：污染物排放量的值随着经济成本值的增大而降低，单目标优化只能达到某个目标的最优，往往需要牺牲其它相应目标的值作为代价。因此，本文采用多目标情况的海洋平台微网优化，可以实现经济成本及表征环境特性的污染物排放量的多目标的综合考虑。

图2关于经济成本和污染物排放量的多目标Paroto最优解

基于MOPSO优化算法得到的是非劣解解集，考虑工程实用性，根据3.2.3节介绍的基于满意度评价的模糊理论可以从Pareto多目标解集中获取一个推荐的折衷解，如图3所示：

图3 模糊理论确定的关于经济成本和污染物排放量的推荐折衷解

表1为模糊理论确定的推荐折衷解所安装的风电机组、光伏阵列及储能装置的装机容量以及优化目标。

图4和图5分别为仿真时段内推荐折衷解对应的柴油机组出力情况及储能装置的充放电情况（正值表示储能装置放电，负值表示储能装置冲电），从图4中可以看出，加入风光互补系统后，柴油机组出力明显小于负荷需求，且在一段时间内的出力基本平稳，虽然风光互补系统具有很大的波动性及随机性，但加入储能装置后，很好的平抑系统中的能量波动；同时，从图5中可以看出，当系统中的能量有剩余时，储能装置持续充电，直到充满为止；当系统中的能量有不足时，储能装置持续放电，直到放完为止，储能装置充放电基本均衡，用于消纳发电量和负荷需求间的能量差。

图5 推荐折衷解对应的储能装置的充放电情况（正放负冲）

表2为风/光/柴/储多目标优化问题的推荐折衷解与柴油机单独供电时的参数指标对比，Case1为风/光/柴/储多目标优化确定的推荐折衷解；Case2为柴油机单独供电时的参数指标。从表中可以看出风/光/柴/储混合系统仿真时段内的经济成本和污染物排放量分别为$7.735*105、6.138*105kg，独立柴油机供电系统的经济成本和污染物排放量分别为$7.116*105、7.914*106kg，虽然所设计的风/光/柴/储混合系统经济成本略有增加，但是污染物排放量却大幅减小了；理论上安装该系统后，当前柴油价格约为$0.7092/L，则每年节省燃料成本费用约为$36695，该项目初装投资额约比独立柴油供电系统多$2.911*105，理论上项目投资回收期约7-8年，具有较好经济效益。若该项目得以海洋平台上应用，不但可以为海洋平台节约大量能源消耗，还可以减少空气中有害气体的排放，很符合国家节能减排政策的要求。

4 结论

本文围绕风/光/柴/储独立海洋平台微网电源优化规划问题，设计了综合考虑其经济性、环保性的多目标优化规划设计模型。该模型可同时针对设备类型和装机容量进行优化设计。利用MOPSO算法实现多目标优化问题的求解，针对某独立海洋平台微网，开展了不同控制策略下的发电单元、储能装置的装机容量优化研究，得到Pareto最优解，还基于模糊理论获得了基于Pareto解集的推荐折衷解，仿真结果验证了方法的有效性及可行性。

[1] Jiang L L, Nayanasiri D R, Maskell D L, et al. A hybrid maximum power point tracking for partially shaded photovoltaic systems in the tropics[J]. Renewable Energy, 2015,76:53-65.

[2] Maleki A, Askarzadeh A. Optimal sizing of a PV/wind/diesel system withbattery storage for electrification to an off-grid remote region: a case study ofRafsanjan, Iran. Sustain Energy Technol Assessments, 2014,7:147-53.

[3] Deshkar S N, Dhale S B, Mukherjee J S, et al. Solar PV array reconfiguration under partial shading conditions for maximum power extraction using genetic algorithm[J]. Renewable and Sustainable Energy Reviews, 2015,43:102-110.

[4] Wen S, Lan H, Fu Q, et al. Economic allocation for energy storage system considering wind power distribution[J]. IEEE Transactions on Power Systems, 2015,30(2):644-652.

[5] Y. M. Atwa, E. F. El-Saadany, et al.Optimal renewable resources mix for distribution[J]. IEEE TRANSACTIONS ON POWER SYSTEMS, 2010,25(1).

[6] 郭力, 富晓鹏, 李霞林, 王成山. 独立交流微网中电池储能与柴油发电机的协调控制[J]. 中国电机工程学报, 2012, 32(25): 70-78.

[7] A. Kaabeche, M. Belhamel, R. Ibtiouen. Sizing optimization of grid-independent hybrid photovoltaic/ wind power generation system [J]. ENERGY, 2011, (36): 1214-1222.

[8] 丁明, 王波, 赵波等. 独立风/光/柴/储微网系统容量优化配置[J]. 电网技术, 2013, (03): 575-581.

Power Source Capacity Optimization in Multiple Energy Complementary System for Offshore Platform

Jia Tao, Wang Xingyue

(Technology Center, TZ(Tianjin) Binhai Heavymachinery CO., LTD., Tianjin 300457, China).

P741

A

1003-4862（2017）05-0055-05

2016-12-15

贾涛(1984-)，男，电气工程师。研究方向：大型船舶和海洋平台电力系统的研发设计。